Qwen3.8 27B 纯文字加法能力基准测试
本地部署的 Qwen3.8-27B 模型在禁用推理模式下,纯文字加法数值准确率仅为 23.57%,且随操作数位数增加性能从 97.04% 骤降至 6.44%。启用推理模式后,该模型在 169 个测试用例中正确回答 167 次。该实验旨在复现并对比 GPT-4o 此前在同类任务中的表现。
本地部署的 Qwen3.8-27B 模型在禁用推理模式下,纯文字加法数值准确率仅为 23.57%,且随操作数位数增加性能从 97.04% 骤降至 6.44%。启用推理模式后,该模型在 169 个测试用例中正确回答 167 次。该实验旨在复现并对比 GPT-4o 此前在同类任务中的表现。
企业 AI 前沿已从预测转向自主决策,核心挑战在于让预测系统在不偏离业务意图的前提下独立行动。深度学习与生成式 AI 驱动的实时训练使系统能持续进化,并整合非结构化数据,推动企业从被动回顾转向务实前瞻。
一名用户借助自制软件把 iPhone 17 Pro Max 经 USB-C 外接至 M4 Pro 版 MacBook Pro,分担 Qwen3.8-27B 的模型层运算,预填充性能最高提升 44%。
Aleph Alpha 于 2026年10月3日发布开放权重德英双语 MoE 模型 Kolibri,总参数78.1B、每token激活3.46B。它采用 Apache 2.0 许可,权重在 Hugging Face,原生上下文262,144 tokens 可扩至1,048,576,支持四级推理与工具调用,评测中德语与长上下文表现优于同规模开放模型但编码较弱。
DeepMind 研究人员提出“人工共生智能”(Artificial Symbiotic Intelligence)作为单一超级智能奇点论的替代方案。该框架将智能视为人与智能体网络共生的社会现象,主张通过制度规则协调多方认知而非追求孤立机器。文中对比传统聚焦更大模型控制的 AGI 路径,将研发与监管扩展至社会系统架构。
亚马逊 Strands Agents 团队推出开源决策模型 Strands Decider 2B,支持在本地 CPU/GPU 上运行。该模型基于 Qwen3.5-2B 躯干,通过 rank-16 LoRA 微调并替换为小型评分头部,总参数仅略超一百万。在 JevBench 上,其 2B 级别模型排名第 3,常见硬件上决策时延中位数为 113ms。
OpenAI 发布 GPT-6 系列模型使用指南,介绍如何选择模型、优化提示词以及管理长时间运行的任务。指南建议按工作负载选型,GPT-6 Astra 面向最高难度推理,GPT-6.1 Sol 面向复杂编程、研究和计算机使用任务,GPT-6 Luna 面向大规模重复性工作,日常问答不必追求最高推理强度。提示词方面,OpenAI 建议先说清目标、受众、上下文、限制条件和完成标准。
TypeSafe AI 联合创始人兼 CEO Diogo Almeida 在 Latent Space 访谈中回应 Jev 走红,并阐述可编程决策模型 System-One 与 RLCD 路线。
OpenAI 发布 GPT-6 模型族指南,指导初创企业选择模型、调整推理力度并优化提示词与技能。该指南还涵盖工具协调及生产工作流准备,旨在帮助开发者高效部署 GPT-6 系列模型。
极狐阿尔法 T5 推送 OTA 升级,元境版车型新增苹果 CarPlay 与华为 HiCar 手机互联,并搭载基于海量真实路况数据训练的端到端 4.0 辅助驾驶模型。该模型提升了窄路通行、泊车及变道场景下的决策能力,但升级后辅助驾驶设置将恢复初始状态,需车主重新配置。
腾讯 WorkBuddy 宣布独家接入匿名 Flash 大模型 Space Bunny,该模型具备 1M 上下文窗口,支持文本、图像、视频输入及可调推理深度。WorkBuddy 于 10 月 2 日至 7 日提供限时折扣,此前 Space Bunny 曾连续三天霸榜 OpenRouter 和 OpenCode 调用量榜首。
字节 Seed2.1 模型发布,在 KINA、SuperGPQA 等知识基准及 SWE-Atlas、Terminal Bench 2.1 等代码与智能体任务中取得高分。该模型在 MathVision、MMMU-Pro 等多模态推理及 VideoMME 长视频理解测试中表现优异,展现了其在复杂场景下的综合能力。
月之暗面(Kimi)发布开源思考模型 K2 Thinking,作为思考智能体在 HLE(44.9% with tools)、BrowseComp(60.2%)等基准达到 SOTA,支持 200–300 步连续工具调用。模型已在 kimi.ai 聊天模式上线并开放 API,原生 INT4 推理带来约 2 倍生成加速。这是其通过扩展思考 token 与工具步骤进行测试时缩放的最新尝试。
推荐理由:Kimi K2 Thinking 以开源权重实现 HLE 44.9% 等得分,读者可据此对比闭源前沿模型思考与代理能力差距及适用场景。
DeepSeek 发布实验性模型 DeepSeek-V3.2-Exp,在 V3.1-Terminus 基础上引入 DeepSeek Sparse Attention 稀疏注意力机制,针对长文本训练和推理效率做优化,在公开评测集上表现与 V3.1-Terminus 基本持平。
推荐理由:稀疏注意力在公开评测表现基本持平的前提下降低长文本推理成本,API 价格随之下降五成以上。
DeepSeek 同时发布 DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale 两个正式版模型,网页端、App 和 API 已由 DeepSeek-V3.2-Exp 升级为正式版 V3.2。
推荐理由:DeepSeek 同时发布 V3.2 与 V3.2-Speciale 两个正式版模型,并把思考模式接入工具调用,读者可据此比较开源与闭源模型在 Agent 评测上的差距。
DeepSeek 上线并开源全新系列模型 DeepSeek-V4 预览版,分为 DeepSeek-V4-Pro 与 DeepSeek-V4-Flash 两个版本,均支持 1M 上下文和思考模式。
推荐理由:官方给出 V4 两个版本的参数、上下文与各项评测位次,可据此判断开源模型在 Agent 与推理上的当前位置。
Thore Graepel撰文指出大语言模型仅靠next-token预测缺乏真正推理,主张借鉴AlphaGo构建可审计推理系统。他列举模型无显式认知状态等三点缺陷,并透露已离开Google DeepMind以推动新架构。该观点源于他作为AlphaGo核心成员参与击败李世石的经验。
GPT-6 Astra Ultrafast 现已在 OpenAI API 及符合条件的 ChatGPT Work 与 Codex 用户中可用,基于 NVIDIA Blackwell GPU 推理优化,token 生成速度较 Astra Standard 模式最高提升 8 倍。
推荐理由:GPT-6 Astra Ultrafast 在 Blackwell 上比标准模式快最多8倍,可缩短编码智能体在工具调用间的等待,提升交互流畅度。
Google发布同行评审白皮书称,SpaceX Starship需发射约1800次(未来10年每年180次)才能让轨道数据中心具备成本效益。Google轨道计算卫星原型今日搭载SpaceX火箭发射,将验证其TPU在太空运行,并以15分钟脉冲方式启动。该计划属Project Suncatcher,Google设想由81颗卫星近距编队并行处理,白皮书还测算芯片辐射误差率低可支持推理负载。
何恺明团队论文提出 NAT-ARC 纯视觉 ARC 解题方案,用 ImageNet 预训练编码器使集成模型在 ARC-1 达到 70.2% pass@2。该方案不依赖 LLM,以约 2B 参数量逼近专用 8B 语言模型 71.6% 的成绩,并借预训练打通视觉路线 scaling 瓶颈。
谷歌发布 Gemini 4 Argon 模型,在 DeepSWE v1.1 以 77.9% 超越 Opus 5.5 与 GPT-6 Astra,单项任务成本最低 1.99 美元。模型支持百万 Token 输出上限并强化防御性网络安全,目前仅向筛选的网络安全团队开放。谷歌内部用例显示其可释放超 300 TiB 内存并让 Rust 代码提速 2.7 倍。
Google DeepMind 发布 Gemini 4 Argon,面向编码、企业知识工作和网络防御,先在 Fairwind 计划的政府用户与可信网络防御者中开放,之后才向开发者、企业和消费者开放。
Google 发布 Gemini 4 Argon 前沿模型,用于长程软件工程与网络防御,初期仅向可信防御者开放。该模型入门价每百万输入 token 2 美元、输出 10 美元,输出上限升至 1M token,在 DeepSWE v1.1 达 77.9% 居首。更广访问将优先面向付费 API 与 Google AI Ultra 订阅用户。
OpenAI 研究员 Noam Brown 在最新访谈中分享了对多智能体系统与对齐风险的判断,回顾了万 Agent 协作解千禧年难题实验。他提到 OpenAI 用 10000 个 Agent 耗时 88 小时输出 1300 亿 token 解出难题,但称核心功劳在模型本身而非多智能体。访谈还探讨了递归自我改进加速、思维链监测下降等隐患,内容整理自 Dwarkesh Patel 播客。
OpenAI 发布 GPT-6.1 Sol,以 Astra 五分之一输入输出 token 价格提供接近 GPT-6 Astra 的性能。该模型在 DeepSWE v1.1 等基准以更低成本匹配 Astra,已通过 API 以 gpt-6.1-sol 开放,定价每百万输入 token 2 美元、缓存输入 0.10 美元、输出 10 美元,并计划推出 Ultrafast 选项。
推荐理由:GPT-6.1 Sol 以 Astra 五分之一价格实现接近性能,用户可对比它与前代及竞品在编码与办公任务上的成本差异。
研究团体针对 AI 实验室在专有模型上测试数学问题且不公开细节的做法,提出了负责任发布 AI 生成数学成果的规范建议。建议要求实验室公开模型名、提示词、思维链、时间与成本,并将结果存入独立仓库,同时提供资金支援数学界理解。该倡议源于 OpenAI 曾宣布多项结果但未提供细节的调查反馈。
GPT-6.1 Sol 现已在 Amazon Bedrock 正式可用,为编码、计算机使用和专业工作负载提供更强推理能力。OpenAI 表示该模型在 DeepSWE v1.1 上性能匹配 GPT-6 Astra,但单任务成本约为其五分之一,且比 GPT-6 Sol 最佳成绩高 6.4 个百分点。
推荐理由:GPT-6.1 Sol 在 Amazon Bedrock 正式可用,以约五分之一成本实现接近 GPT-6 Astra 的推理能力,降低智能体工作流成本。
OpenAI 推出 GPT 6.1 Sol,该模型提供接近 Astra 水平的智能,价格仅为后者的五分之一。
Anthropic 即将发布 Claude Sonnet 5.5,泄露信息显示其拥有 1M 上下文窗口和 128K 最大输出,定价为输入 $2、输出 $10。该模型将紧随 Claude Opus 5.5 推出,旨在通过更强的性能缓解用户此前对高峰期使用限制的抱怨。
OpenRouter 联合创始人 Alex Atallah 与 AMP 的 Anjney Midha 在 Latent Space 播客中回顾 OpenRouter 的发展历程。
Latent Space 宣布将 AINews 与 Discord 社区合并,并计划迁移至 Beehiiv 以构建多节目网络。AINews 订阅量已超 20 万,Discord 成员达数万。平台重新开放赞助合作,并将于下周在 Supabase Select 活动上采访其创始人。
OpenAI 产品负责人 Tibo Sottiaux 确认将于周二发布 GPT-6 Sol 和 Luna 模型。Sol 定位为日常主力,Luna 为轻量低成本选项,旨在替代昂贵且沉重的 Astra 模型。此次发布早于 9 月 29 日举行的 DevDay 2026 大会,被视为为后续硬件等重磅公告腾出空间的战略举措。
TypeSafe AI 发布 Jev,称其为 System One 模型,只接受文本输入,输出类别、是/否答案、评分及置信度等浮点数,而非文本。Jev 只对输入计费,首个模型输入价格为每百万 token 0.042 美元,低于 OpenAI GPT-5 Nano 的 0.05 美元,支持 Noul、Choice、Score 三类问题并并行评估。
TypeSafe AI CEO Diogo Almeida 在 Latent Space 播客中介绍新模型 Jev,称其为面向代码消费的 System 1 模型,优化目标是每美元智能,核心创新是未发表的 RLCD(Reinforcement Learning for Calibrated Decisions),而非 RLHF 或 RLVR。
Anthropic 正在对 Claude Fable 5.2 和 Opus 5.5 进行静默测试,其中 Opus 5.5 计划于本周二发布。Fable 5.2 在无需外部工具的情况下生成了复杂的交互式 JavaScript 游戏,表现优于 GPT-6 Astra。此前 Anthropic 刚推出 Claude Fable 5.1,此次测试被视为对现有模型的重大升级。
TypeSafe AI 结束两年隐身期,推出首个 System One 模型 Jev 并开启早期访问。该模型通过并行评估返回带置信度的结构化决策,输入定价为每百万 token 0.042 美元,输出免费,端到端响应时间为 70 至 500 毫秒。创始人 Diogo Almeida 曾参与 ChatGPT 开发,Jev 旨在替代开放式文本生成,提供快速且类型安全的决策层。
NVIDIA 在 MLPerf Inference v6.1 首次提交 Vera Rubin NVL72 预览成绩,在 Qwen3-VL 上吞吐最高达 GB300 NVL72 的 3.7 倍,在 DeepSeek-R1 上最高 2.5 倍。
推荐理由:MLPerf v6.1 首次提交数据给出 Vera Rubin 相对 GB300 的吞吐倍数与 99% 扩展效率,可据此判断推理成本走向。
泄露截图显示谷歌正在测试名为“Mathematica”的数学专用 DeepThink V3 模型,支持 100 万 token 上下文窗口和 65,536 token 输出限制。该模型目前处于内部员工测试阶段,尚未获得官方确认。此前谷歌已推出针对精英数学竞赛的 Gemini DeepThink IMO 模式。
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架,通过离线强化学习将查询分解行为编译至 53.9M 参数的扩散模型,实现单次非自回归推理。该方案利用 Gemma3-4B 和 Qwen3-4B 进行监督合成,消除了推理时的思维 token 开销,解决了传统 LLM 在集合级搜索中的延迟瓶颈。
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking,旨在提升实时语音对话的智能与并行推理能力。
推荐理由:原文给出了两款实时语音模型在推理与工具调用上的具体基准表现,读者可据此评估其在生产级语音智能体中的适用性。